Bitmap算法用位映射实现十亿整数去重，仅需约119MB内存；通过new uchar[]申请连续内存、memset清零，并手动计算字节索引与位偏移进行set/test/reset操作。
用C++实现Bitmap算法处理十亿级整数去重，必须在内存受限（如仅1GB RAM）下完成——传统std::set会因指针开销和动态分配直接OOM，而Bitmap将每个整数映射为1位，理论空间压缩率达99.999%以上。
基础Bitmap结构设计与内存对齐初始化
第一步：确定数据范围。若所有整数∈[0, 2³²)，则需2³²位 = 512MB连续内存；若实际范围是[0, 10⁹)，则只需10⁹/8 ≈ 119MB，【务必先统计min/max，切勿盲目按UINT_MAX分配】。
第二步：使用new unsigned char[]而非vector
第三步：调用memset(ptr, 0, size)清零，不使用for循环逐字节赋值——现代glibc的memset针对大块内存做了SIMD优化，速度提升3～5倍。
立即学习“C++免费学习笔记（深入）”；
位操作核心函数：set、test、reset
方法一：手动计算字节索引与位偏移
index = num / 8 → byte_pos = index, bit_pos = num % 8 → 使用bitmask (1U
方法二：利用GCC内置函数__builtin_clzll（需64位环境）加速bitmask生成——当num较小时，(1ULL 【num必须严格小于64，否则行为未定义】。
方法三：预生成256字节查找表（LUT），table[value]返回对应bitmask。适用于嵌入式或缓存敏感场景，但x86-64下L1d cache仅32KB，查表反而可能增加cache miss。
空间开销二次压缩：Roaring Bitmap逻辑集成
当输入数据呈现局部聚集性（如IP地址段、时间戳序列），纯Bitmap大量连续0/1造成浪费。此时将Bitmap切分为65536个container（每container覆盖65536个整数），对每个container：
① 若set bit数 ② 若set bit数 ≥ 4096且分布稀疏，用BitmapContainer（即原生Bitmap）；
③ 若全满或接近全满，用RunContainer（存储起始值+长度对）。
这一步必须在构造完成后立即执行recompress()，否则后续add操作仍走原始Bitmap路径，【错过压缩时机将永久失去空间优势】。
并发安全的批量插入与快速存在性查找
使用std::atomic
对10⁹量级数据做存在性查询，优先构建布隆过滤器（Bloom Filter）作前置过滤：误判率设为0.01时仅需1.44×n×ln(1/ε)≈1.9GB位数组，但能拦截99%的不存在查询，使真实Bitmap访问频次下降两个数量级。
最后，将Bitmap内存mmap到/dev/shm（Linux共享内存），进程重启后可直接复用已构建结构，避免重复加载耗时。
